论文标题：基于 BiLSTM 引导 LPA 应急疏散重规划与回溯智能框架研究

论文链接：https://doi.org/10.3390/smartcities9040065

期刊名：Smart Cities

期刊主页：https://www.mdpi.com/journal/smartcities

一、引言

在复杂且动态的建筑环境中，突发事件（如火灾、结构损坏）会导致疏散路径瞬息万变。现有的疏散规划方法大多依赖于静态的几何地图，缺乏对环境语义（如房间功能、安全规则）的理解，导致在路线受阻或需要回溯时反应迟钝。为了解决这一问题，来自伦敦玛丽女王大学（London Metropolitan University）的Ramzi Djemai博士等人在Smart Cities期刊发表论文，提出了一种神经符号学（Neuro-Symbolic）疏散规划框架。该框架将本体论（Ontology）驱动的语义推理与双向长短期记忆网络（BiLSTM）相结合，旨在实现更高效、更鲁棒的紧急疏散指导。

二、材料与方法

本研究的核心在于构建一个能够理解建筑语义并预测动态风险的混合算法模型。

图1 基于 BiLSTM 的神经符号语义 A* 规划框架的建议疏散流程

1）语义环境建模：

研究团队使用Web本体语言（OWL）和资源描述框架（RDF）构建了建筑物的空间与语义知识库。这使得系统不仅能识别“墙壁”和“走廊”的几何关系，还能理解“禁止通行”、“危险区域”等安全策略。

2）混合算法架构：

基础算法：采用终身规划A（LPA）*算法作为基础，这是一种增量式启发式搜索算法，能够在环境变化时复用之前的搜索结果，避免全图重算。

深度学习引导：引入双向长短期记忆网络（BiLSTM）模型。该模型在离线阶段学习了大量符合语义规则的疏散轨迹，用于在在线规划时预测两点间的剩余通行成本以及路径是否可能需要回溯。

融合机制：设计了一种有界混合启发式函数，将BiLSTM的预测结果（数据驱动）与语义启发式估计（规则驱动）相结合，在保证最优性的同时引入了时间序列的预测能力。

3）实验设置：

实验基于一个真实的多层学术大楼（Tower Building）模型进行。研究设计了50种动态疏散场景，包括简单场景（仅火警）、半复杂场景（路径受阻）和复杂场景（需要回溯）。实验对比了纯语义LPA与引入BiLSTM引导的LPA在疏散时间、节点扩展数和成功率上的差异。

图 2. 多层塔楼的基于本体论的场景表示方式

三、分析与结果

所提出的疏散规划框架的性能通过三个互补的指标来评估，这三个指标分别衡量了疏散效率、鲁棒性以及计算成本。该评估采用三级情景分类体系，通过不同层次的危险性难度来考验各种规划能力。通过对50种动态场景的仿真实验，研究得出了以下关键数据结果：

显著提升疏散效率：引入BiLSTM引导的框架显著缩短了人员疏散时间。与纯语义LPA*基准相比，优化后的框架将平均疏散时间缩短了9.6%。这表明BiLSTM的预测能力能有效引导人员避开潜在的拥堵或危险区域，选择更优路径。

大幅降低计算开销与提升成功率：框架在计算效率和任务完成度上表现卓越。

1）计算量减少：在搜索过程中，该框架减少了32%的节点扩展数量，这意味着算法运行速度更快，更适合实时决策。

2）成功率提高：在复杂动态环境下，该框架的疏散成功率达到96.2%，显著高于基准方法。

3）预测准确性：BiLSTM模型本身在回溯预测上的测试AUC（曲线下面积）达到0.92，下一时段状态预测准确率达到87.1%，证明了其对动态环境变化的敏锐捕捉能力。

图3多指标雷达图，对比语义LPA*与BiLSTM引导的消融变体在五个评估维度上的表现

四、讨论

本研究的创新之处在于打破了传统几何路径规划与现代深度学习之间的壁垒。

1）可解释性与鲁棒性：与纯粹的黑盒深度学习模型不同，该框架利用本体论（Ontology）提供了可解释的决策逻辑（例如：为什么绕路？因为前方是“危险区域”）。同时，LPA*算法保证了在突发堵塞时的增量重规划能力。

2）前瞻性：BiLSTM的引入赋予了系统“预判”能力。它不仅能根据当前状态规划，还能预测未来几步内路径失效的可能性，从而提前触发回溯（Backtracking），避免了人员陷入死胡同后再折返的低效行为。

3）局限性：作者指出，目前的评估假设传感器能可靠地更新本体状态（即没有考虑传感器数据延迟或错误）。此外，实验主要针对单体建筑，未来需在多建筑和真实人流拥堵数据上进一步验证。

五、展望与结论

本研究验证了将语义推理与深度学习相结合在应急疏散领域的巨大潜力。结论表明，BiLSTM引导的语义LPA*框架能够有效应对复杂建筑环境中的动态威胁。

未来的研究工作将重点推进以下几个方向：(i) 将该框架与实时感知和数字孪生技术相结合，包括对灾害、拥堵以及传感器故障等不确定情况的建模，并采用概率事件过滤或信念状态表示方法来处理噪声或延迟的观测数据；(ii) 从单主体路由优化扩展到多主体优化，同时考虑拥堵情况、合规性的差异性，以及为行动不便的疏散人员提供公平的支持；(iii) 通过本体对齐和在线自适应调整，提高跨建筑之间的转移效率，使得在新的布局和环境条件下，语义规则和生物序列模型指导仍然具有可靠性。这些改进是基于医院实例中已经证明的建筑可移植性基础之上的。

引用格式：Djemai, R.; Kheddar, H.; Ghanem, M.C.; Ouazzane, K.; Nepomuceno, E. BiLSTM Guided LPA Planning, Re-Planning, and Backtracking for Effective and Efficient Emergency Evacuation. Smart Cities 2026, 9, 65. https://doi.org/10.3390/smartcities9040065

期刊介绍

主编：Prof. Dr. Pierluigi Siano, University of Salerno, Italy

Smart Cities（ISSN 2624-6511）是由 MDPI 出版的国际开放获取同行评审英文学术期刊，专注于发表智慧城市领域的最新研究进展，目前已被 ESCI、Scopus、PubMed、Dimensions以及DOAJ 等重要数据库收录。Smart Cities发文领域包括但不限于智慧城市的核心技术与方法、智慧城市的关键应用领域、智慧城市交叉领域融合以及韧性智慧城市建设等，重点关注利用先进的信息技术、通信技术及数据分析工具，推动城市资源优化配置、公共服务改善、管理效率提升及居民生活质量提高等议题的原创论文，综述、通讯等类型，致力于为智慧城市相关研究提供一个优质、高效、快速的发表服务平台，有效促进智慧城市最新科研成果的推广和传播，加快推进智慧城市新生态建设。

2025 Impact Factor: 6.6

2025 CiteScore: 13.0

Time to First Decision: 25.1 Days

Acceptance to Publication: 4.5 Days